Hugging Face AI를 활용한 게임 개발: 스토리 생성
Hugging Face는 ChatGPT와 같은 대형 언어 모델(LLM)을 사용해 게임 스토리와 콘텐츠를 생성하는 워크플로우를 제시하면서, 독창성, 법적 위험, 장기적인 일관성에 관한 중요한 제한 사항을 강조합니다.
Intel Sapphire Rapids로 PyTorch Transformer 가속하기
Hugging Face는 Intel Sapphire Rapids CPU와 Optimum Intel 라이브러리를 결합하면 이전 Xeon 세대에 비해 PyTorch Transformer 추론을 최대 3배 가속할 수 있음을 보여줍니다.
비전‑언어 모델 탐구
Hugging Face는 비전‑언어 모델에 대한 기술 개요를 제공하며, 다섯 가지 주요 사전 학습 전략과 이를 VQA 및 이미지 분할과 같은 작업을 위해 Transformers 라이브러리에 통합하는 방법을 상세히 설명합니다.
Hugging Face의 컴퓨터 비전 현황
Hugging Face는 8개의 핵심 컴퓨터 비전 작업, 3,000개 이상의 모델, 그리고 100개 이상의 데이터셋을 지원하도록 생태계를 확장했으며, Transformer와 컨볼루션 아키텍처를 모두 통합했습니다.
Hugging Face 2D 자산 생성 - 게임 개발
Hugging Face는 Stable Diffusion의 Image2Image 기능을 협업 2D 게임 자산 워크플로에 통합하여 생산 준비가 된 아이콘을 효율적으로 만드는 방법을 보여줍니다.
효율적인 Stable Diffusion 파인튜닝을 위한 LoRA 활용
Hugging Face는 Low-Rank Adaptation(LoRA)을 diffusers 라이브러리에 통합하여, 훨씬 낮은 VRAM 요구량과 3 MB 정도의 작은 모델 가중치로 Stable Diffusion 파인튜닝을 더 빠르게 수행할 수 있게 했습니다.
Hugging Face Optimum 및 ONNX Runtime 훈련 통합
Hugging Face와 Microsoft는 ONNX Runtime을 Optimum 라이브러리에 통합하여 트랜스포머 기반 모델의 훈련 시간을 35% 이상 단축했습니다.
대화형 에이전트를 유용하게 만드는 요소는? 기술 분석
Hugging Face는 기본 언어 모델을 유용한 대화형 에이전트로 전환하는 핵심 기술인 Instruction Fine‑Tuning(IFT), Supervised Fine‑Tuning(SFT), Reinforcement Learning from Human Feedback(RLHF), 그리고 Chain‑of‑Thought(CoT)를 분석합니다.
Hugging Face 게임 개발을 위한 AI: 3D 자산 생성
Hugging Face는 텍스트‑투‑3D AI의 현재 상태를 탐구하며, DreamFusion 및 Point‑E와 같은 도구가 존재하지만 아직 빠른 게임 개발 워크플로에 실용적으로 적용될 수 없다고 결론짓습니다.
Mask2Former와 OneFormer: 🤗 Transformers의 범용 이미지 분할 모델
Hugging Face는 Transformers 라이브러리에 Mask2Former와 OneFormer를 출시하여, 단일 모델로 인스턴스, 의미, 파노프틱 분할을 처리할 수 있는 범용 아키텍처를 제공합니다.
Hugging Face Hub와 PaddlePaddle 통합
Hugging Face는 PaddlePaddle과 협력하여 PaddleNLP를 시작으로 그들의 딥러닝 플랫폼 및 라이브러리를 Hugging Face Hub에 통합함으로써 접근성과 공유를 향상시켰습니다.
Hugging Face Datasets와 Transformers를 이용한 이미지 유사도
Hugging Face는 Transformers와 Datasets 라이브러리를 사용해 밀집 벡터 임베딩을 계산하고 코사인 유사도를 측정함으로써 이미지 유사도 시스템을 구축하는 방법을 보여줍니다.
게임 개발을 위한 AI: LLM을 활용한 게임 디자인
Hugging Face는 ChatGPT와 같은 대형 언어 모델을 게임 디자인의 브레인스토밍 및 가속화 도구로 활용하는 방법을 보여주며, 특히 농업 게임의 핵심 기능 정의에 적용됩니다.
그래프 머신 러닝 소개
Hugging Face는 그래프 머신 러닝에 대한 포괄적인 개요를 제공하며, 그래프가 어떻게 표현되는지와 사전 신경망 특징에서 그래프 신경망 및 그래프 트랜스포머로의 진화를 자세히 설명합니다.
게임 개발을 위한 AI: 5일 만에 농장 게임 만들기 (파트 1)
Hugging Face는 Stable Diffusion을 활용해 농장 게임의 시각적 아트 스타일과 컨셉 아트를 설정하고, 이를 Unity에 구현하는 방법을 보여줍니다.
Intel Sapphire Rapids와 함께 PyTorch Transformer 가속 – 파트 1
Hugging Face는 IPEX와 oneCCL을 사용하여 Intel Sapphire Rapids CPU 클러스터에서 PyTorch Transformer를 학습하는 방법을 보여주며, Ice Lake 대비 최대 8배 속도 향상과 4노드에 걸친 거의 선형 확장을 달성합니다.
CLIPSeg을 이용한 제로샷 이미지 분할
Hugging Face는 CLIPSeg를 소개합니다. 이 제로샷 이미지 분할 모델은 CLIP 임베딩을 활용하여 텍스트 또는 이미지 프롬프트 중 하나로부터 분할 마스크를 생성하며, 카테고리별 학습이 필요하지 않습니다.
Hugging Face 모델 카드 문서화 프레임워크
Hugging Face는 GUI 기반 생성 도구와 표준화된 템플릿을 포함한 일련의 도구와 리소스를 출시하여 머신러닝 모델 문서화의 접근성과 표준화를 향상시켰습니다.
Hugging Face 오디오 데이터셋 가이드 – 로드, 처리 및 스트리밍
Hugging Face는 🤗 Datasets 라이브러리를 사용해 Hub에서 모든 오디오 데이터셋을 몇 줄의 파이썬 코드만으로 로드, 전처리 및 스트리밍할 수 있음을 보여주는 포괄적인 가이드를 발표했으며, 이를 통해 음성 및 오디오 작업에 대한 효율적인 연구가 가능해졌습니다.
Hugging Face 윤리와 사회 뉴스레터 #2: 머신러닝 편향 다루기
Hugging Face는 편향을 작업 정의, 데이터셋 정제, 모델 훈련 전반에 걸쳐 해결해야 할 위험 요인으로 간주하는 사회기술적 프레임워크를 제시합니다.
Habana Gaudi2 vs Nvidia A100 80GB 성능 벤치마크
Hugging Face 벤치마크에 따르면 Habana Gaudi2는 BERT, Stable Diffusion, T5-3B 모델에 대해 학습 및 추론 모두에서 Nvidia A100 80GB 대비 약 두 배의 처리량을 제공합니다.
Hugging Face, 순수 Elixir에서 Transformers와 Stable Diffusion을 지원하는 Bumblebee 발표
Hugging Face는 순수 Elixir로 구현된 Transformers인 Bumblebee를 출시했습니다. 이 라이브러리는 GPT‑2부터 Stable Diffusion까지의 모델을 Elixir 생태계에 도입하여, 외부 의존성 없이 네이티브 CPU/GPU 추론을 가능하게 합니다.
인간 피드백을 통한 강화 학습 (RLHF) 설명
Hugging Face는 대형 언어 모델을 복잡한 인간 가치에 맞추기 위해 사용되는 3단계 프로세스인 인간 피드백을 통한 강화 학습(RLHF)에 대한 기술적 분석을 제공합니다.
단백질을 활용한 딥러닝 – Hugging Face 가이드: 단백질 언어 모델 및 폴딩
Hugging Face는 단백질 언어 모델을 파인튜닝하고 ESMFold를 사용해 단백질 폴딩을 수행하는 튜토리얼 시리즈를 발표했으며, NLP에서 사용되는 전이 학습 기법을 단백질 서열 작업에 직접 적용할 수 있음을 보여줍니다.
🤗 Transformers를 이용한 시계열 Transformer 확률적 예측
Hugging Face는 전역 확률 시계열 예측을 위한 기본 Transformer 모델을 출시했으며, Tourism Monthly 벤치마크에서 최첨단 성능을 입증했습니다.
Apple Silicon에서 Stable Diffusion Core ML – 실행 및 최적화 방법
Hugging Face는 Apple Silicon용 Core ML 변환 Stable Diffusion 체크포인트를 출시했으며, Python 또는 Swift에서 M1 Max 기준 이미지당 최대 18초로 온디바이스 이미지 생성을 가능하게 합니다.
VQ-Diffusion: 이산 공간에서의 조건부 잠재 확산
VQ-Diffusion은 양자화된 이산 잠재 공간에서 작동하는 조건부 잠재 확산 모델로, 기존의 자동 회귀 모델보다 빠른 추론과 높은 이미지 품질을 제공합니다.
Hugging Face 2023 인턴십 프로그램
Hugging Face는 책임 있는 머신러닝을 민주화하기 위해 오픈소스, 과학, 사회적 영향 팀 전반에 걸친 역할을 제공하는 2023 인턴십 프로그램을 발표했습니다.
Hugging Face 확산 모델 클래스 및 커뮤니티 이벤트
Hugging Face는 2022년 11월 28일 시작되는 무료 확산 모델 클래스를 발표했으며, 11월 30일에 Stability AI, Meta, Runway의 연구원들이 참여하는 라이브 커뮤니티 이벤트가 함께 진행됩니다.
Hugging Face 머신러닝 인사이트 디렉터 파트 4
네 명의 머신러닝 디렉터가 전자상거래, 엔지니어링, 교육, SaaS 분야에서 ML의 영향, 과제 및 통합 함정에 대한 산업별 인사이트를 공유합니다.
Hugging Face 추론 솔루션 개요 2022년 11월
Hugging Face는 위젯, API, Inference Endpoints, Spaces 등 무료 및 유료 추론 옵션을 발표해 모델 테스트, 배포 및 프로덕션 확장을 간소화했습니다.
Hugging Face 문서 AI 가속화
Hugging Face는 오픈소스 멀티모달 모델을 활용하여 기업 워크플로우에서 문서 분류, 파싱 및 시각적 질문 응답을 자동화하는 포괄적인 가이드를 제공합니다.
동형 암호화를 이용한 암호화된 데이터에 대한 감성 분석
Hugging Face는 Concrete-ML 라이브러리를 사용하여 BERT 트랜스포머와 XGBoost를 결합한 완전 동형 암호화(FHE) 방식으로 암호화된 데이터에 대한 감성 분석을 수행하는 방법을 보여줍니다.
머신러닝 데모를 위한 Hugging Face와 arXiv 통합
Hugging Face는 Hugging Face Spaces와 arXivLabs를 통합하여 arXiv 논문 초록 페이지에서 직접 인터랙티브 머신러닝 데모를 제공합니다.
Hugging Face 가격 업데이트 2022년 11월
Hugging Face는 컴퓨트 기반 수익 모델로 전환했으며, Inference API의 유료 티어를 종료하고 Inference Endpoints와 Spaces의 하드웨어 업그레이드로 대체했습니다.
Transformers에서 인간 수준 텍스트 생성을 위한 대조 검색
Hugging Face는 transformers 라이브러리에 대조 검색을 통합했으며, 이 디코딩 방법은 모델 퇴화를 방지하고 오프‑더‑쉘프 모델을 사용해 16개 언어 전반에 걸쳐 의미적 일관성을 유지합니다.
Dreambooth Stable Diffusion 파인‑튜닝 가이드 with Diffusers
Hugging Face는 Diffusers 라이브러리를 사용한 Dreambooth로 Stable Diffusion을 학습하기 위한 상세 권장 사항을 발표했으며, 낮은 학습률, 충분한 단계, 얼굴에 대한 prior preservation, 텍스트‑인코더 파인‑튜닝이 가장 높은 품질의 결과를 제공한다는 것을 보여줍니다.
Hugging Face Transformers와 함께 다국어 ASR를 위한 Whisper 파인튜닝
Hugging Face는 OpenAI의 Whisper 모델을 다국어 자동 음성 인식(ASR)용으로 파인튜닝하는 포괄적인 가이드를 제공하며, 8시간의 데이터만으로 힌디어에서 WER을 31.5% 절대적으로 개선한 사례를 보여줍니다.
Hugging Face Optimum Intel 및 OpenVINO 통합
Hugging Face는 Intel OpenVINO를 Optimum Intel에 통합하여 Intel 하드웨어에서 Transformer 모델에 대한 가속 추론 및 양자화를 가능하게 했습니다.
🤗 Evaluate 로 언어 모델 편향 평가
Hugging Face는 🤗 Evaluate 라이브러리에 편향 메트릭—toxicity, language polarity, HONEST—을 추가하여 인과 언어 모델에서 해로운 언어를 체계적으로 측정할 수 있게 했습니다.
PyTorch DDP, Accelerate 및 Transformers Trainer를 활용한 분산 학습
Hugging Face는 네이티브 PyTorch DDP, Accelerate 라이브러리, 그리고 고수준 Transformers Trainer API라는 세 가지 추상화 레벨을 사용하여 분산 학습을 구현하는 방법을 설명합니다.
MTEB: 대규모 텍스트 임베딩 벤치마크
Hugging Face는 텍스트 임베딩 모델의 성능을 평가하기 위해 8개의 작업에 걸쳐 56개의 데이터셋으로 구성된 대규모 다국어 벤치마크인 MTEB를 도입했습니다.
Hugging Face 추론 엔드포인트
Hugging Face Inference Endpoints는 사용자가 Hugging Face Hub에서 머신러닝 모델을 몇 번의 클릭만으로 확장 가능하고 안전한 클라우드 인프라에 배포할 수 있게 해주는 관리형 서비스입니다.
Stable Diffusion JAX 및 Flax 통합
Hugging Face Diffusers 버전 0.5.1은 Flax 지원을 도입하여 JAX를 통해 Google TPU에서 고속 Stable Diffusion 추론을 가능하게 합니다.
Hugging Face BLOOM 추론 최적화
Hugging Face는 파이프라인 병렬 처리에서 텐서 병렬 처리로 전환하고 맞춤형 CUDA 커널을 구현함으로써 BLOOM 모델의 지연 시간을 5배 감소시키고 처리량을 50배 증가시켰습니다.
Hugging Face, 모델 및 데이터셋에 대한 DOI 지원 도입
Hugging Face는 이제 사용자가 Hub 모델 및 데이터셋에 대한 디지털 객체 식별자(DOI)를 생성할 수 있게 하여, 버전이 바뀌어도 지속되는 영구적인 인용 링크를 제공합니다.
rinna의 일본어 Stable Diffusion 출시
rinna는 일본어 프롬프트에서 문화적으로 적절한 이미지를 생성하는 Stable Diffusion의 일본어 파인‑튜닝 버전을 출시했습니다.
Hugging Face Hub에서 제로샷 평가
Hugging Face는 Hub에서 인과 언어 모델을 위한 제로샷 평가를 도입하여, 사용자가 코드를 작성하지 않고도 최대 660억 파라미터 모델을 벤치마크할 수 있게 했습니다.
Hugging Face AutoTrain 이미지 분류
Hugging Face가 AutoTrain에 이미지 분류 기능을 추가하여 사용자가 코드를 작성하거나 하이퍼파라미터를 설정하지 않고도 맞춤형 이미지 분류 모델을 학습할 수 있게 했습니다.
Hugging Face Accelerate: PyTorch로 대형 모델 실행
Hugging Face Accelerate는 PyTorch의 메타 디바이스와 샤드 체크포인트를 활용하여 GPU, CPU RAM, 디스크에 걸쳐 메모리를 관리함으로써 소비자 하드웨어에서도 대규모 AI 모델을 실행할 수 있게 합니다.